PENERAPAN METODE NAIVE BAYES UNTUK

PREDIKSI MENENTUKAN KARYAWAN TETAP

PADA PT. YSP INDUSTRIES INDONESIA

UAS Analisa Algoritma

Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan

Tugas matkul analisa algoritma pemograman pada Program Studi Teknik Informatika

Oleh:

M. ADLINUR MUJADID

112010090

TEKNIK INFORMATIKA
UNEVERSITAS ISLAM LAMONGAN
2022

i
 KATA PENGANTAR

Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah melimpahkan
segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul
“PENERAPAN METODE NAIVE BAYES UNTUK PREDIKSI MENENTUKAN
KARYAWAN TETAP PADA PT. YSP INDUSTRIES INDONESIA”.

Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam

rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer
(S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi
Pelita Bangsa.

Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah
selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada mahasiswa dan juga dosen matkul
analisah pemograman dan lain sebagianya.
.

Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang
terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan
manfaat bagi khasanah pengetahuan Teknologi Informasi di lingkungan STT
Pelita Bangsa khususnya dan Indonesia pada umumnya.

Lamongan, 13 januari 2022

M. adlinur mujadid

ii
 DAFTAR ISI

KATA PENGANTAR ........................................................................................... i

DAFTAR ISI .......................................................................................................... ii

DAFTAR TABEL

.................................................................................................viii DAFTAR

GAMBAR ............................................................................................. ix

ABSTRACT ............................................................................................................ x

ABSTRAK ........................................................................................................... xi

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ......................................................................................... 1

1.2 Identifikasi Masalah ................................................................................. 5

1.3 Rumusan Masalah .................................................................................... 5

1.4 Batasan Masalah ....................................................................................... 6

1.5 Tujuan Penelitian...................................................................................... 6

1.6 Manfaat Penelitian.................................................................................... 6

1.6.1 Manfaat Bagi Akademik Manfaat penelitian ini bagi Akademik

diantaranya yaitu:........................................................................................... 7

1.6.2 Manfaat Bagi Penulis .................................................................... 7

ii
 1.6.3 Manfaat Bagi Pembaca.................................................................. 7

1.6.4 Manfaat Bagi PT. YSP Industries Indonesia ................................. 7

BAB II TINJAUAN PUSTAKA............................................................................. 9

2.1 Tinjauan Pustaka ...................................................................................... 9

2.1.1 Pengertian Tinjauan Pustaka ......................................................... 9

2.1.2 Kegunaan Tinjauan Pustaka ........................................................ 10

2.1.3 Kajian Pustaka ............................................................................. 11

2.2 Dasar Teori ............................................................................................. 12

2.2.1 Prediksi ........................................................................................ 12

2.2.2 Karyawan..................................................................................... 13

2.2.2.1 Fungsi dan Peranan Karyawam ................................................... 14

2.2.2.2 Jenis-Jenis Karyawan .................................................................. 14

2.2.3 Data Mining ................................................................................ 16

2.2.4 Naive Bayes ................................................................................. 20

2.3 Kerangka Berfikir ................................................................................... 21

BAB III METODE PENELITIAN........................................................................ 22

3.1 Metode Penelitian ................................................................................... 22

3.2 Tahapan Penelitian ................................................................................. 22

3.3 Populasi dan Sampel Penelitian ............................................................. 24

3.3.1 Populasi ....................................................................................... 24

3.3.2 Sampel ......................................................................................... 24

iii
 3.4 Pengumpulan Data ................................................................................. 24

3.4.1 Metode Pengumpulan Data ......................................................... 24

3.5 Jenis Penelitian ....................................................................................... 25

3.6 Pemodelan .............................................................................................. 26

3.7 Evaluasi .................................................................................................. 26

3.8 Objek Penelitian ..................................................................................... 27

3.8.1 Sejarah Perusahaan ...................................................................... 27

3.8.2 Tujuan Perusahaan ...................................................................... 27

3.8.3 Kebijakan Mutu ........................................................................... 28

3.8.4 Visi dan Misi ............................................................................... 28

3.8.5 Struktur Organisasi ...................................................................... 28

3.9 Variabel Penelitian ................................................................................. 29

3.10 Metode Analisis Data.......................................................................... 31

3.11 Persamaan Metode Neive Bayes ......................................................... 32

3.12 Alur Metode Naïve Bayes ................................................................... 35

3.13 Perangkat Lunak Data mining ............................................................ 36

BAB IV HASIL DAN PEMBAHASAN .............................................................. 37

4.1 Hasil Penelitian....................................................................................... 37

4.1.1 Data Awal .................................................................................... 37

4.1.2 Data Usulan ................................................................................. 38

4.2 Pembahasan ............................................................................................ 38

iv
 4.2.1 Menentukan Kriteria.................................................................... 38

4.2.2 Perhitungan Algoritma Naive Bayes ........................................... 38

4.2.3 Menghitung Probabilitas Kelas ................................................... 38

4.2.4 Menghitung Probabilitas Masing-Masing Atribut ...................... 39

4.2.5 Menghitung Probabilitas Akhir Untuk Setiap Kelas ................... 42

4.2.6 Kasus Perhitungan Naive Bayes .................................................. 43

4.2.7 Analisa Algoritma Naive Bayes dengan Rapid Miner................. 44

4.2.8 Akurasi Prediksi .......................................................................... 46

BAB V KESIMPULAN ........................................................................................ 52

5.1 Kesimpulan............................................................................................. 52

5.2 Saran ....................................................................................................... 52

DAFTAR PUSTAKA ........................................................................................... 54

LAMPIRAN .......................................................................................................... 55

Sampel Data training .................................................................................. 55

Hasil data testing dengan Rapid Miner ....................................................... 63

v
 DAFTAR TABEL

Tabel 3. 1 Kriteria................................................................................................. 29

Tabel 4. 1 Probabilitas Kelas................................................................................ 39

Tabel 4. 2 Atribut Pengetahuan kerja ................................................................... 39

Tabel 4. 3 Atribut Kemampuan Untuk Merencanakan dan Mengatur ................. 40

Tabel 4. 4 Artibut Penerimaan Tanggung Jawab ................................................. 40

Tabel 4. 5 Atribut Kerjasama / Hubungan Manusia............................................. 40

Tabel 4. 6 Atribut Pencapaian tujuan ................................................................... 41

Tabel 4. 7 Atribut Penilaian dan pengambilan keputusan .................................... 41

Tabel 4. 8 Atribut Kehadiran ................................................................................ 41

Tabel 4. 9 Atribut Inovasi..................................................................................... 42

Tabel 4. 10 Atribut Penetapan sasaran / tujuan .................................................... 42

vi
 DAFTAR GAMBAR

Gambar 2. 1 Bidang ilmu data mining ................................................................ 17

Gambar 2. 2 Kerangka Berfikir ........................................................................... 21

Gambar 3. 1 Tahapan Penelitian.......................................................................... 23

Gambar 3. 2 Pemodelan....................................................................................... 26

Gambar 3. 3 Struktur Organisasi ......................................................................... 29

Gambar 3. 4 Alur Metode Naïve Bayes .............................................................. 35

Gambar 4. 1 Proses Rapid Miner......................................................................... 45

Gambar 4. 2 Hasil Prediksi Rapid Miner ............................................................ 46

Gambar 4. 3 Proses Training dan Testing ........................................................... 47

Gambar 4. 4 Akurasi............................................................................................ 48

Gambar 4. 5 Precision ......................................................................................... 49

Gambar 4. 6 Recall .............................................................................................. 50

Gambar 4. 7 Kurva ROC ..................................................................................... 51

vii
 ABSTRACT

The appointment of prospective employees remains the agenda carried out

by the company where career development efforts for a contract employee have

been carried out during the contract agreement period. Good and qualified

employees certainly have a positive impact on the company they work for. The

criteria used to determine whether an employee is eligible or not to become a

permanent employee is absenteeism, personality, achievement, and so on. One

method that can be used for this is the data mining method or the Naive Bayes

algorithm method. The Naive Bayes Classifier algorithm is one of the statistical

classifiers, where these classifiers can predict the probability of class membership

in a data that will enter a particular class, according to the probability

calculation. This analysis uses rapidminer which is a data analysis software with

several algorithm features that are easy to operate. Prediction results using

rapidminer to determine permanent employees quickly and accurately, from

testing conducted by comparing training data with testing data obtained an

accuracy rate of 94%.

Keywords: Data mining, Employee Appointment, Naïve Bayes Algorithm

x
 ABSTRAK

Pengangkatan calon pegawai tetap merupakan agenda yang dilaksanakan

oleh perusahaan dimana usaha pengembangan karir bagi seorang pegawai kontrak

yang telah dijalaninya selama masa perjanjian kontrak. Pegawai yang baik dan

berkualitas tentu saja memiliki dampak yang positif terhadap perusahaan tempat

mereka bekerja. Kriteria yang digunakan untuk menentukan apakah seorang

pegawai layak atau tidak untuk menjadi pegawai tetap yaitu absensi, kepribadian,

prestasi, dan lain sebagainya. Salah satu metode yang dapat digunakan untuk hal

ini adalah dengan metode data mining atau metode algoritma Naive Bayes.

Algoritma Naive Bayes Classifier merupakan salah satu pengklasifikasi statistik,

dimana pengklasifikasi ini dapat memprediksi probabilitas keanggotaan kelas

suatu data yang akan masuk ke dalam kelas tertentu, sesuai dengan perhitungan

probabilitas. Analisa ini menggunakan rapidminer yang merupakan software

analisa data dengan fitur beberapa algoritma yang mudah untuk dioperasikan.

Hasil prediksi menggunakan rapidminer untuk menentukan karyawan tetap dengan

cepat dan akurat, dari pengujian yang dilakukan dengan membandingkan data

training dengan data testing didapat tingkat akurasi sebesar 94%.

Kata kunci: Data mining, Pengangkatan Karyawan, Algoritma Naïve Bayes

xi
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Pengangkatan calon pegawai tetap merupakan agenda yang dilaksanakan

oleh perusahaan dimana usaha pengembangan karir bagi seorang pegawai kontrak

yang telah dijalaninya selama masa perjanjian kontrak. Seleksi pengangkatan

calon pegawai tetap dilakukan dalam suatu periode waktu tertentu dan pada

periode pelaksananya berhak mengajukan pegawai yang dipromosikan layak

untuk menjadi pegawai tetap,hanya pegawai yang memiliki potensi dan prestasi

yang berhak mendapatkan kesempatan untuk menjadi pegawai tetap.

Kriteria yang digunakan untuk menentukan apakah seorang pegawai layak

atau tidak untuk menjadi pegawai tetap yaitu absensi, kepribadian, prestasi, dan

lain sebagainya. Dengan penilaian tehadap kriteria tersebut, perusahaan dapat

mempertimbangkan dan memberikan keputusan urutan prioritas kelayakannya.

Namun pada pelaksanaan kriteria-kriteria tersebut tidak mempunyai bobot yang

baku sehingga terjadi penyamaan diantara kriteria tersebut. Padahal suatu kriteria

dapat menjadi lebih penting dari kriteria yang lain dengan berbagai pertimbangan

oleh badan usaha tersebut.

Pegawai yang baik dan berkualitas tentu saja memiliki dampak yang positif

terhadap perusahaan tempat mereka bekerja. Oleh karena itu perusahaan harus

menyeleksi orang-orang yang ingin masuk dan bekerja ke dalam perusahaan itu

dengan baik. Saat ini persaingan untuk mendapatkan pekerjaan semakin ketat,

1
 1

dimana lapangan pekerjaan yang tersedia semakin sedikit dan proses perekrutan

dan seleksi karyawan semakin ketat, sehingga kesempatan orang untuk

memperoleh pekerjaan semakin sulit. Kemudian dapat dikatakan lebih lanjut

bahwa tujuan utama dari seleksi pegawai tetap adalah untuk mendapatkan

orang yang tepat bagi suatu jabatan tertentu , sehingga orang tersebut mampu

bekerja secara optimal dan dapat bertahan di Instansi dalam jangka waktu lama.

Meskipun tujuannya terdengar sangat sederhana , proses pengangkatan

pegawai tetap tersebut sangatlah kompleks , memakan waktu yang lama dan

sangat terbuka peluang untuk melakukan kesalahan dalam menentukan orang yang

tepat. Untuk mendapatkan karyawan yang bagus dibuatlah sebuah kontrak kerja

atau yang biasa disebut dengan Perjanjian kontrak Waktu Tertentu ( PKWT ) dan

Perjanjian kontrak Waktu Tidak Tentu ( PKWTT ), apabila PKWTT dibuat secara

lisan maka dapat mensyaratkan adanya masa percobaan kerja paling lama 3 bulan,

Bila ada yang mengatur lebih dari 3 bulan , maka demi hukum sejak bulan

keempat, Pekerja sudah dinyatakan sebagai pekerja tetap ( PKWTT).

Adapun UU yang mengatur tentang kontrak kerja karyawan UU No.13

Tahun 2003 Tentang Ketenegakerjaan adalah perjanjian antara pekerja/buruh

dengan pengusaha atau pemberi kerja yang memuat syarat-syarat kerja, hak, dan

kewajiban para pihak. Ketentuan umum PKWT menurut Kepmenaker No. 100

tahun 2004 Tentang Ketentuan Pelaksanaan Perjanjian Waktu Tertentu, perjanjian

kerja ada 2; Perjanjian kerja waktu tertentu ( PKWT )dan Perjanjian waktu tidak

tertentu (PKWTT). PKWT bersifat sementara sedangkan PKWTT perjanjian

antara pekerja dengan pengusaha yang bersipat tetap ( karyawan tetap ).

 Manfaat dari proses perekrutan dan seleksi adalah untuk mendapatkan

orang yang tepat untuk sumber daya manusia yang baru. Terutama jika

pengangkatan karyawan merupakan sesuatu yang penting untuk keberhasilan atau

kegagalan suatu perusahaan.

Dalam proses seleksi karyawan tetap, perusahaan herus betul-betul

membuat sebuah peraturan yang ketat dalam mencari karyawan tetap dengan

melihat spesifikasi para pegawai kontrak. Di PT.YSP Industries Indonesia yaitu

tempat dilakukannya penelitian, sering terjadi kesalahan dalam melakukan

penilaian terhadap karyawan yang akan diangkat sebagai karyawan tetap, seperti

adanya karyawan yang memiliki beberapa absent, pengetahuan kerja yang kurang,

tidak memiliki inovasi, kurangnya dalam mengambil keputusan, Salah satu

metode yang dapat digunakan untuk hal ini adalah dengan metode data mining

atau metode algoritma Naive Bayes.

Algoritma Naive Bayes Classifier merupakan salah satu pengklasifikasi

statistik, dimana pengklasifikasi ini dapat memprediksi probabilitas keanggotaan

kelas suatu data yang akan masuk ke dalam kelas tertentu, sesuai dengan

perhitungan probabilitas. Pengklasifikasi bayes didasari oleh teorema bayes yang

ditemukan oleh Thomas Bayes pada abad ke-18. Dalam studi pembandingan

algoritma klasifikasi telah ditemukan simple bayesian atau yang biasa dikenal

dengan Naïve Bayes classifier. Naïve Bayes classifier menunjukkan akurasi dan

kecepatan yang tinggi bila diterapkan pada database yang besar. Metode ini sering

digunakan dalam menyelesaikan masalah dalam bidang mesin pembelajaran

karena metode ini dikenal memiliki tingkat akurasi yang tinggi dengan

perhitungan
sederhana. Teorema bayes merupakan dasar aturan dari naive bayes

classifier(Handayani & Pribadi, 2015).

Keuntungan penggunanan adalah bahwa metode ini hanya membutuhkan

jumlah data pelatihan ( data training ) yang kecil untuk menentukan estimasi

parameter yg diperlukan dalam proses pengklasifikasian. Karena yg diasumsikan

sebagai variabel independent, maka hanya varians dari suatu variabel dalam

sebuah kelas yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan

dari matriks kovarians.

Algoritma Naive Bayes dapat digunakan untuk meneliti berbagai macam

hal, diantaranya adalah menentukan karyawan terbaik. Sebelumnya juga telah ada

yang melakukan penelitian yang serupa dengan menggunakan algoritma ini,

namun atribut yang digunakan untuk mengklarifikasikan keputusan

berbeda.Tingkat akurasi yang didapatkan menggunakan algoritma Naive Bayes ini

sudah cukup tinggi, oleh karena itu dapat disimpulkan algoritma ini cocok untuk

diimplementasikan pada penelitian yang melibatkan proses perekrutan karyawan

tetap.

Berdasarkan penelitian inilah algoritma Naive Bayes diputuskan untuk

digunakan pada penelitian ini karena algoritma ini lebih kuat daripada algoritma

lainnya. Data pegawai yang bekerja sebagai pegawai lapangan akan digunakan

sebagai data training yang akan digunakan untuk memprediksi pengangkatan

karyawan tetap dan mengetes tingkat keberhasilan prediksi tersebut menggunakan

data testing terhadap karyawan yang masih kontrak.

1.2 Identifikasi Masalah

Berdasarkan latar belakang yang telah disampaikan, maka masalah yang

dapat diidentifikasi dalam penelitian ini, antara lain :

1. Proses pemilihan karyawan tetap belum sepenuhnya terkomputerisasi, dan

sering terjadi ketidaktepatan pada penilaian dalam memberikan nilai.

2. Banyaknya kriteria dalam penilaian sehingga pada sistem yang berjalan

saat ini masih kurang efektif dan tidak mudah untuk menentukan karyawan

yang memenuhi standar kompetensi yang ditentukan.

1.3 Rumusan Masalah

Seleksi pengangkatan calon pegawai tetap dilakukan dalam suatu periode

tertentu, pegawai yang baik dan berkualitas tentu saja memiliki dampak yang

positif terhadap perusahaan tempat mereka bekerja, oleh karena itu perusahaan

harus menyeleksi orang-orang yang ingin masuk dan bekerja kedalam perusahaan

itu dengan baik, meskipun tujuannya terdengar sangat sederhana akan tetapi

proses pengangkatan pegawai tetap tesebut sangatlah kompleks, memakan waktu

yang lama dan sangat terbuka peluang untuk melakukan kesalahan dalam

menentukan orang yang tepat, berdasarkan latar belakang yang telah dipaparkan,

maka permasalahan yang akan dirumuskan dalam penelitian ini ialah sebagai

berikut.

1. Bagaimana mendapatkan hasil Analisis untuk memprediksi calon

karyawan tetap dengan cepat dan akurat ?

2. Bagaimana membuat suatu prediksi klasifikasi yang mampu menyeleksi

calon pegawai tetap dengan metode Data Mining algoritma Naive Bayes.?
1.4 Batasan Masalah

Adapun yang menjadi batasan masalah agar tidak menyimpang dari

maksud dan tujuan yang sebenarnya, maka penulis membatasi masalah pada

penulisan ini, batasan masalahnya sebagai berikut :

1. Penelitian ini terbatas hanya untuk ruang lingkup pengangkatan karyawan

tetap saja.

2. Sistem pendukung keputusan dibangun dengan menggunakan metode

Naive

Bayes .

3. Data yang digunakan sebagai uji coba adalah data di PT.YSP Industries

Indonesia.

1.5 Tujuan Penelitian

Berdasarkan dari latar belakang permasalahan, maka tujuan yang akan di

capai dalam penelitian ini adalah sebagai berikut:

1. Memudahkan permasalahan dalam menentukan calon pegawai tetap yang

diharapkan oleh management department.

2. Dapat mengklarifikasikan kelayakan karyawan untuk menentukan calon

pegawai tetap dan dapat dipertanggung jawabkan oleh setiap management

department.

1.6 Manfaat Penelitian

Manfaat yang diperoleh dengan tercapainya tujuan penelitian ini

diantaranya yaitu:
1.6.1 Manfaat Bagi Akademik Manfaat penelitian ini bagi Akademik

diantaranya yaitu:

1. Menambah perbendaharaan literatur ilmiah yang ada di Sekolah Tinggi

Teknologi Pelita Bangsa baik secara kualitas maupun kuantitas.

2. Dapat dijadikan sebagai tolak ukur penilaian penyelenggaraan Pendidikan

di Sekolah Tinggi Teknologi Pelita Bangsa Cikarang.

1.6.2 Manfaat Bagi Penulis

Manfaat Penelitian ini bagi penulis diantaranya yaitu:

1. Sebagai sarana untuk menerapkan ilmu yang telah didapatkan selama

perkuliahan.

2. Memberikan pengalaman dalam memahami kondisi di perusahaan dan

memberikan solusi terkait masalah yang dihadapi.

3. Menambah pemahaman dan pengalaman terutama dalam bidang kajian

data mining khususnya algoritma Naive Bayes.

1.6.3 Manfaat Bagi Pembaca

Dapat digunakan sebagai informasi dan tambahan pengetahuan tentang

perancangan Sistem untuk klasifikasi calon pegawai tetap dengan menggunakan

algoritma Naive Bayes.

1.6.4 Manfaat Bagi PT. YSP Industries Indonesia

Dengan adanya penerapan algoritma naive bayes untuk menentukan calon

pegawai tetap pada PT.YSP Industreis Indonesia ini dapat membantu

menyediakan
pengetahuan dan informasi yang bisa dijadikan acuan pihak PT untuk menilai

calon pegawai dengan record data yang ada untuk penilaian karyawan

selanjutnya.
 BAB II
TINJAUAN PUSTAKA

2.1 Tinjauan Pustaka

2.1.1 Pengertian Tinjauan Pustaka

Tinjauan Pustaka mempunyai arti peninjauan kembali pustaka-pustaka

yang sesuai dengan arti tersebut, suatu tinjauan pustaka berfungsi sebagai

peninjauan kembali pustaka, laporan penelitian, dan sebagainya, tentang masalah

yang berkaitan, tidak selalu harus tepat identik dengan bidang permasalahan yang

dihadapi tetapi termasuk yang seiring dan berkaitan. Fungsi peninjauan kembali

pustaka yang berkaitan merupakan hal yang mendasar dalam penelitian, seperti

dinyatakan oleh Leedy (1997) bahwa semakin banyak seorang peneliti

mengetahui, mengenal dan memahami tentang penelitian-penelitian yang

pernah dilakukan sebelumnya yang berkaitan erat dengan topik penelitiannya,

semakin dapat dipertanggung jawabkan caranya meneliti permasalahan yang

dihadapi.

Pengetahuan tentang cara-cara penulisan tinjauan pustaka yang lazim

dilakukan meliputi empat hal (Djunaedi, 2000), yaitu:

1. Kegunaan

2. Organisasi tinjauan pustaka

3. Kaitan tinjauan pustaka dengan daftar pustaka, dan

4. Cara pencarian bahan-bahan pustaka, terutama dengan memanfaatkan

teknologi informasi.

9
 1

2.1.2 Kegunaan Tinjauan Pustaka

Leedy (1997, hal. 71) menerangkan bahwa suatu tinjauan pustaka

mempunyai kegunaan untuk:

1. mengungkapkan penelitian-penelitian yang serupa dengan penelitian yang

akan kita lakukan; dalam hal ini, diperlihatkan cara penelitian-penelitian

tersebut menjawab permasalahan dan merancang metode penelitiannya.

2. membantu memberi gambaran tentang metode dan teknik yang dipakai

dalam penelitian yang mempunyai permasalahan serupa atau mirip

penelitian yang kita hadapi.

3. mengungkapkan sumber-sumber data atau judul-judul pustaka yang

berkaitan yang mungkin belum kita ketahui sebelumnya.

4. mengenal peneliti-peneliti yang karyanya penting dalam permasalahan

yang kita hadapi yang mungkin dapat dijadikan nara sumber atau dapat

ditelusuri karya -karya tulisnya yang mungkin terkait.

5. memperlihatkan kedudukan penelitian yang akan kita lakukan dalam

sejarah perkembangan dan konteks ilmu pengetahuan atau teori tempat

penelitian ini berada.

6. mengungkapkan ide-ide dan pendekatan-pendekatan yang mungkin belum

kita kenal sebelumya.

7. membuktikan keaslian penelitian bahwa penelitian yang kita lakukan

berbeda dengan penelitian-penelitian sebelumnya.

8. mampu menambah percaya diri kita pada topik yang kita pilih karena telah

ada pihak-pihak lain yang sebelumnya juga tertarik pada topik tersebut dan
 mereka telah mencurahkan tenaga, waktu dan biaya untuk meneliti topik

tersebut.

2.1.3 Kajian Pustaka

Dibawah ini adalah beberapa penelitan tentang data mining ataupun

mendekatai penelitain yang digunakan sebagai bahan referensi :

1. Data mining Menggunakan Algoritma Naive Bayes Untuk Klasifikasi

Kelulusan Mahasiswa Universitas Dian Nuswantoro dengan tingkat akurasi

sebesar 82,08 %

Oleh: Yuda Septian Nugroho

Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Dian

Nuswantoro Email: Yudaseptian92@Gmail.Com ( 2009 )

2. Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja

Indonesia Menggunakan Metode Naive bayes (Studi Kasus: Di P.T.

Karyatama Mitra Sejati Yogyakarta) 2014

3. Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja

Menggunakan Metode Naive Bayes Classification (Studi Kasus Cv.

Lingkar Aksi) Bayu Setyaji, Pujiono, SSi, M.kom Program Studi Sistem

Informasi- S1, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro

Semarang Jl. KS Tubun 1 Ungaran, 50517 Email : 1122004090@mhs-

dinus.ac.id (2012)
2.2 Dasar Teori

2.2.1 Prediksi

Pengertian Prediksi sama dengan ramalan atau perkiraan, Menurut

Herdianto, 2013 : 8 dalam (Rohmawati, Rohman, & Mujilahwati, 2017) Prediksi

adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang paling

mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang

dimiliki, agar selisih antara sesuatu yang terjadi dengan hasil perkiraan dapat

diperkecil. Prediksi tidak harus memberikan jawaban secara pasti kejadian yang

akan terjadi, melainkan berusaha untuk mencari jawaban sedekat mungkin yang

akan terjadi.

Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka,

contohnya prediksi gempa, gunung meletus ataupun bencana secara umum.

Namun, prediksi seperti pertandingan sepakbola, umumnya berdasarkan

pandangan subjektif dengan sudut pandang sendiri yang memprediksinya.

Permulaan awal, walaupun pengkajian yang mendalam mengenai alternatif

masa depan adalah suatu disiplin baru, barangkali orang telah menaruh perhatian

besar tentang apa yang akan terjadi kemudian semenjak manusia mulai

mengetahui sesuatu. Populasi tukang ramal dan tukang nujum pada zaman kuno

dan abad pertengahan merupakan satu manifestasi dari keinginan tahu orang

tentang masa depannya. Perhatian tentang masa depan ini berlangsung terus

bahkan berkembang menjadi kolom astrologi yang disindikatkan pada tahun 1973.
2.2.2 Karyawan

Menurut Undang-Undang Tahun 1969 tentang Ketentuan-Ketentuan Pokok

Mengenai Tenaga Kerja dalam pasal 1 dikatakan bahwa karyawan adalah tenaga

kerja yang melakukan pekerjaan dan memberikan hasil kerjanya kepada

pengusaha yang mengerjakan dimana hasil karyanya itu sesuai dengan profesi

atau pekerjaan atas dasar keahlian sebagai mata pencariannya. Senada dengan hal

tersebut menurut Undang-Undang No.14 Tahun 1969 tentang Pokok Tenaga

Kerja, tenaga kerja adalah tiap orang yang mampu melaksanakan pekerjaan, baik

di dalam maupun diluar hubungan kerja guna menghasilkan jasa atau barang

untuk memenuhi kebutuhan masyarakat (Karimah, 2012).

Karyawan merupakan kekayaan utama dalam suatu perusahaan, karena

tanpa adanya keikutsertaan mereka, aktifitas perusahaan tidak akan terlaksana.

Beberapa pengertian karyawan menurut para ahli. Menurut Hasibuan (dalam

Karimah, 2012) karyawan adalah orang penjual jasa ( pikiran atau tenaga ) dan

mendapat kompensasi yang besarnya telah ditetapkan terlebih dahulu.Menurut

Subri (dalam Karimah, 2012) karyawan adalah penduduk dalam usia kerja

(berusia

15-64 tahun) atau jumlah seluruh penduduk dalam suatu negara yang

memproduksi barang dan jasa jika ada permintaan terhadap tenaga mereka.

Berdasarkan uraian diatas, maka disimpulkan karyawan adalah seseorang

yang berusia 15-64 tahun yang mampu melaksanakan pekerjaan didalam maupun

diluar hubungan kerja guna menghasilkan barang atau jasa.

2.2.2.1 Fungsi dan Peranan Karyawam

Karyawan dalam perusahaan memiliki fungsi dan peranan yang harus

dilaksanakan. Diantaranya :

1. Melaksanakan pekerjaan sesuai dengan tugas dan perintah yang diberikan.

2. Menjaga ketertiban dan keamanan di lingkungan perusahaan demi

kelangsungan perusahaan.

3. Bertanggung jawab pada hasil produksi.

4. Menciptakan ketenangan kerja di perusahaan (Soedarjadi, 2009:15).

Sebagai karyawan perusahaan harus memiliki kemampuan tinggi dan

pengalaman dapat menjaga tanggung jawabnya terutama yang berhubungan

dengan publiknya. Salah satu tugasnya yaitu memberikan solusi dalam

penyelesaian masalah hubungan dengan publiknya. Seperti hubungan antara

dokter dengan pasiennya, sehingga manajemen akan bertindak pasif dalam

menerima atau mempercayai apa yang disarankan oleh karyawan yang telah

memiliki pengalaman dan keterampilan tinggi dalam memecahkan serta mengatasi

permasalahan yang dihadapi organisasi tersebut.

2.2.2.2 Jenis-Jenis Karyawan

Jika dikelompokkan berdasarkan statusnya, karyawan dalam perusahaan

dapat dibagi menjadi dua jenis kelompok karyawan yaitu karyawan tetap dan

karyawan tidak tetap.

 1. Karyawan Tetap

Karyawan yang berstatus tetap merupakan karyawan yang mempunyai

perjanjian atau kontrak dengan perusahaan atau lembaga tempat dia bekerja

dengan jangka waktu yang tidak di tetapkan dan disebut karyawan permanen.

Umumnya karyawan yang berstatus seperti ini mempunyai hak yang lebih

dibandingkan dengan karyawan yang statusnya tidak tetap. Karyawan tetap dapat

dikatakan juga karyawan yang aman, maksudnya dia sudah mendapatkan

kepastian tentang pekerjaaanya jadi tidak memikirkan kapan kontrak kerjanya

akan habis, di perpanjang atau tidak, sehingga karyawan tetap hanya tinggal fokus

saja kepada pekerjaanya.

2. Karyawan Tidak Tetap

Karyawan tidak tetap atau kontrak adalah karyawan yang diperbantukan

untuk menyelesaikan pekerjaan pekerjaan rutin perusahaan, dan tidak ada jaminan

kelangsungan masa kerjanya. Dalam kelangsungan masa kerja karyawan kontrak

ditentukan oleh prestasi kerjanya. Semakin bagus prestasi kerjanya, karyawan

kontrak akan dipertahankan oleh perusahaan, namun jika prestasi kerjanya tidak

ada peningkatan maka perusahaan akan memberhentikan karyawan tersebut.

Kewajiban kerja karyawan kontrak terkadang hampir sama atau bahkan lebih berat

dari pada karyawan tetap. Namun dari segi gaji atau fasilitas lainnya tentu saja

sangat berbeda, termasuk tidak adanya ketentuan pesangon yang jelas apabila

perusahaan tidak lagi menggunakan jasa tenaga kerja kontrak.(Mallu, 2015)

 Sistem kerja kontrak atau lebih dikenal dengan sistem perjanjian kerja

waktu tertentu (PKWT) diatur dalam Undang-undang RI nomer 13 tahun 2003

tentang Ketenagakerjaan pasal 50 sampai dengan pasal 66. Sistem kerja kontrak

terjadi pada semua jenis industri dengan waktu yang tidak ditentukan.

2.2.3 Data Mining

Data mining merupakan suatu proses untuk mengidentifikasi pola yang

memiliki potensi dan berguna untuk mengelola dataset yang besar (Witten &

Frank,

2011). Dalam data mining ada 10 algoritma teratas yang paling berpengaruh yang

dipilih oleh peneliti dalam komunitas data mining, dimana 6 (enam) diantaranya

adalah algoritma klasifikasi yaitu C4.5, Support Vector Machines (SVM),

AdaBoost, k Nearest Neighbor (kNN), Naive Bayes dan CART (Fayyad, Piatetsky-

Shapiro, & Smyth, 1996)

Menurut Pramduino ( 2009:6 ) dalam buku “ Algoritma Data mining “,

data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan

untuk mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi

banyak aspek dan Teknik dari bidang-bidang ilmu yang sudah mapan terlebih

dahulu. Data mining memiliki akar yang Panjang dari bidang ilmu seperti

kecerdasan buatan artificial intelligent, machine learning, statistic, database dan

juga information retrieval.

 Gambar 2. 1 Bidang ilmu data mining

Sumber : Pramudiono ( 2006 : 6 ) Indo data mining

A. Tugas-Tugas Data mining

Berdasarkan fungsionalitasnya, tugas-tugas data mining bisa

dikelompokkan ke dalam enam kelompok berikut ini, ( Fayyad, 2017:3 )

dalam buku “ data mining Untuk Klasifikasi dan Klasterisasi Data” :

1. Klasifikasi

Men-generalisasi struktur yang diketahui untuk di aplikasikan pada data

baru :

2. Klasterisasi

Mengelompokkan data yang diketahui label kelasnya, kedalam sejumlah

kelompok tertentu sesuai dengan ukuran kemiripannya.

3. Regresi

Adalah suatu metode penelitian yang digunakan pada penelitian kuantitatif

yang menghubungkan variabel independen dan variabel dependen.

 4. Deteksi anomali

Mengindentifikasi data yang tidak umum, bisa berupa outlier , perubahan

atau deviasi yang mungkin sangat penting dan perlu investigasi lebih

lanjut.

5. Pemodelan adalah

Pembelajaran aturan asosiasi atau pemodelan kebergantungan, mencari

relasi antar variabel.

6. Perangkuman

menyediakan representasi data yang lebih sederhana, meliputi visualisasi

dan pembuatan laporan.

B. Pengelompokan Data mining

Menurut Larose,2005 dalam (Ridwan, Suyono, & Sarosa, 2013)

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dapat dilakukan, yaitu :

1. Deskripsi

Terkadang penelitian dan analisis sederhana ingin mencoba mencari cara

untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai

contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan

atau fakta bahwa siapa yang tidak cukup professional akan sedikit didukung dalam

pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan

kemungkinan penjelasan untuk suatu pola atau kecenderungan.

 2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi

lebih kearah numerik daripada kearah kategori. Model dibangun menggunakan

record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.

Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat

berdasarkan nilai variabel prediksi, sebagai contoh, akan dilakukan estimasi

tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis

kelamin, indeks berat badan , dan level sodium darah. Hubungan antara tekanan

darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan

menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan

untuk kasus baru lainnya.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa

dalam prediksi nilai dari hasil akan ada di masa mendatang.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagi contoh,

penggolongan pendapat dapat dipisahkan dalam tiga kategori, yaitu pendapatan

tinggi, pendapatan sedang, dan pendapatan rendah.

 5. Pengklusteran

Pengklusteran merupakan pengelompokan record. Pengamatan atau

memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster ini.

Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target

dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,

mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma

pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data

kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan

kemiripan denga record dalam kelompok lain akan bernilai minimal.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisi keranjang
belanja.

2.2.4 Naive Bayes

Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana

yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan

kombinasi nilai dari dataset yang diberikan. Algoritma mengunakan teorema

bayes dan mengasumsikan semua atribut independen atau tidak saling

ketergantungan yang diberikan oleh nilai pada variabel kelas. Naive bayes

didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional

saling bebas jika diberikan nilai output. Dengan kata lain, probabilitas mengamati

secara bersama produk dari

probabilitas individu. Keuntungan penggunaan Naive bayes adalah bahwa metode

ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk

menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian.

Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata

yang kompleks dari pada yang diharapkan.

Tahapan dari proses algoritma naive bayes adalah:

1. Menghitung jumlah kelas / label.

2. Menghitung Jumlah Kasus Per Kelas.

3. Kalikan Semua Variabel Kelas.

4. Bandingkan Hasil Per Kelas.

2.3 Kerangka Berfikir

Berikut merupakan langkah-langkah yang akan dilakukan pada penelitian ini :

Masalah Tindakan

Proses analisa untuk memprediksi karyawan Penerapan data mining

tetap belum menerapkan metode naive bayes dengan metode naive bayes

Penelitian

Data Karyawan
Data

Metode Naive Bayes

Hasil

Dapat menganalisa dan memprediksi karyawan

tetap dengan cepat dan akurat

Gambar 2. 2 Kerangka Berfikir

 BAB III
METODE PENELITIAN

3.1 Metode Penelitian

Metode merupakan kegiatan ilmiah yang berkaitan dengan suatu cara kerja

sistematis untuk memahami suatu subjek atau objek penelitian, sebagai upaya

untuk menemukan jawaban yang dapat dipertanggung jawabkan secara ilmiah.

Adapun pengertian penelitian adalah suatu proses pengumpulan dan analisis data

yang dilakukan secara sistematis, untuk mencapai tujuan-tujuan tertentu.

Pengumpulan dan analisis data dilakukan secara ilmiah, baik bersifat kuantitatif

maupun kualitatif, eksperimental maupun non eksperimental, interaktif maupun

non interaktif.

Dari pengertian di atas kita dapat mengetahui bahwa metode penelitian

adalah suatu cara untuk memecahkan masalah ataupun cara mengembangkan ilmu

pengetahuan dengan menggunakan metode ilmiah secara lebih luas lagi.

menjelaskan bahwa metode penelitian adalah cara-cara ilmiah untuk

mendapatkan data yang valid, dengan tujuan dapat ditemukan, dikembangkan dan

dibuktikan, suatu pengetahuan tertentu sehingga pada gilirannya dapat digunakan

untuk memahami, memecahkan, dan mengantisipasi masalah.

3.2 Tahapan Penelitian

Pada penelitian ini, data yang digunakan adalah data dari karyawan di PT.

YSP Indonesia, data nilai tersebut akan diolah menggunakan beberapa metode

data mining sehingga diperoleh satu metode yang paling akurat dan dapat

digunakan

22
 1

sebagai rules dalam memprediksi karyawan tetap. Berikut tahapan dalam

melakukan penelitian data mining.

Pengumpulan Data

Pengolahan Data Awal

Metode Yang di Usulkan

Pengujian / Validasi Hasil

Gambar 3. 1 Tahapan Penelitian

1) Pengumpulan Data

Tahap pertama pada pengumpulan data adalah :

a. Data Primer.

b. Data Sekunder.

2) Pengolahan data awal

Pada bagian ini di jelaskan tentang tahap awal data mining. Pengolahan

awal data meliputi proses input data dan format yang dibutuhkan dalam

penggabungan data dan training data.

3) Metode yang diusulkan

Pada bagian ini dijelaskan tentang metode yang di usulkan untuk

digunakan pada penelitian ini.

 4) Pengujian dan validasi akhir

Pada bagian ini dijelaskan tentang pengujian, hasil pengujian akan di

validasi dan kemudian di evaluasi. Penjelasan mengenai hal ini akan di paparkan

pada bab selanjutnya.

3.3 Populasi dan Sampel Penelitian

3.3.1 Populasi

Populasi dalam penelitian ini adalah karyawan yang akan habis masa

kontraknya di PT. YSP Industries Indonesia, apakah karyawan tersebut di

perpanjang masa kontraknya atau di angkat menjadi karyawan tetap.

3.3.2 Sampel

Sampel dalam penelitian ini adalah data karyawan di tahun 2017 dengan

atribut pengetahuan kerja, kemampuan untuk merencanakan dan mengatur,

penerimaan tanggung jawab, hubungan antar manusia, pencapaian tujuan,

penilaian, dan pengambilan keputusan, kehadiran, inovasi, penetapan sasaran.

Sampel data berjumlah 380 karyawan.

3.4 Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data dari karyawan

PT.YSP Industries Indonesia, Sumber data berupa file excel dengan format.xlsx

3.4.1 Metode Pengumpulan Data

Untuk mendapatkan data-data yang dapat menunjang penelitian ini,

peneliti menggunakan beberapa metode pengumpulan data sebagai berikut:

 1. Data Primer

Data yang diambil langsung dari objek penelitian. Data primer diperoleh

dengan cara melakukan pengamatan langsung (observasi) dan melakukan tanya

jawab pada pihak yang bersangkutan (wawancara). Data primer yang dipakai yaitu

data laporan karyawan kontrak berupa softcopy kemudian melakukan tanya jawab

kepada Staff HRD yang menangani perpanjangan kontrak karyawan.

2. Data Sekunder

Data yang mendukung penelitian yang didapat dari buku referensi dan

jurnal ilmiah yang berkaitan dengan penelitian. Adapun hal yang berkaitan di

dalamnya adalah data sejarah instansi, data visi misi instansi, dan data pustaka

yang digunakan sebagai acuan landasan teori.

3.5 Jenis Penelitian

Dalam penelitian ini menggunakan jenis penelitian deskriptif. Dimana

penelitian ini bertujuan untuk memecahkan fenomena (masalah) yang ada pada

saat ini, pada penelitian ini kasus yang diambil adalah karyawan yang akan di

angkat menjadi karyawan tetap atau tidak tetap, Jenis penelitian deskriptif

mempunyai ciri-ciri sebagai berikut :

a. Berpusat pada penyelesaian masalah pada masa sekarang, dan pada

masalah yang aktual.

b. Data yang terkumpul terlebih dulu disusun, dijelaskan dan dianalisis

karena metode ini sering disebut metode analitik.

3.6 Pemodelan

Dalam penelitian ini akan dilakukan analisis menggunakan metode

klasifikasi dengan algoritma naive bayes. data dihitung dengan algoritma ini

sesuai dengan metodenya kemudian di cari hasil akurasinya. dalam tahapan ini

akan dilakukan beberapa langkah pengujian data yaitu seperti berikut.

Pengolahan Data dengan Algoritma Naïve Bayes

Hasil Algoritma Naïve Bayes

Menganalisa hasil Algoritma Naïve Bayes dengan

Rapid Miner

Gambar 3. 2 Pemodelan

Data karyawan akan di olah dengan algoritma naive bayes, kemudian

dilihat tingkat akurasinya dari algoritma ini dan keterkaitan anatara setiap atribut,

algorima Naive bayes akan mengevaluasi setiap atribut yang mengkontribusi

prediksi pada atribut target, Naive bayes tidak memperhitungkan relasi antar

atribut-atribut kontributor prediksi, tidak seperti Decision Tree yang

memperhitungkan relasi antar atribut. bentuk tugas dasar yang dilakukan oleh

algoritma Naive bayes hanyalah klasifikasi.

3.7 Evaluasi

Melakukan pengecekan terhadap setiap nilai atribut dan model yang sudah

dibangun, kemudian melakukan evaluasi terhadap hasil dengan melakukan analisis

data mining. pada tahap ini juga merupakan tahapan dimana dilakukan perbaikan
kembali bila terjadi kekurangan.pada tahapan ini bisa saja kembali lagi ke tahap

yang pertama dan kemudian ke tahap berikutnya dengan tujuan perbaikan, sampai

sesuai dengan kebutuhan.

3.8 Objek Penelitian

3.8.1 Sejarah Perusahaan

PT YSP Industries Indonesia Didirikan pada tahun 2004 sebagai subsider

YSPSAH. Tujuannya ialah untuk registrasi dan memasarkan produk-produk

farmasi ,OTC, herbal, veterinari dan sebagainya di Republik Indonesia. Kami

telah membentuk tim marketing dan sales untuk veterinari dan verbal di

Indonesia terutama di Pulau Sumatra dan Jawa.

Dalam rangka memenuhi ketentuan perundang-undagan bidang farmasi di

RI yang mengharuskan perusahaan untuk memiliki pabrik farmasi / berkerjasama

dengan pabrik farmsi lokal untuk dapat meregistrasikan produk-produk farmasi di

Indonesia, maka pada tahun 2004 kami telah mendirikan PT YSP Industries

Indonesia. Setelah diluluskan oleh Badan POM maka ini akan menjadi satu

landasan kami untuk memasuki pasaran farmasi di Indonesia. Kami berharap

keberhasilan YSPSAH dalam mengeluarkan produk-produk seperti Krim,

Suppositoria, Tablet, Capsul , Syrup dan sebagainya.

3.8.2 Tujuan Perusahaan

1. Menyediakan pelayanan yang terbaik dan produk-produk yang berkualitas

tinggi untu pelanggan, dengan tidak menggunakan bahan baku di bawah

standar, tidak memproduksi dan mengirimkan produk yang tidak

memenuhi standar kualitas.

 2. Melaksanakan tata kelola perusahaan yang baik, dengan menekankan

kepada karyawan pentingnya untuk menerapkan prinsip etika tinggi, dan

terus menjaga kesehatan dan keselamatan kerja melalui cara kerja yang

baik dan pengawasan mutu yang tinggi serta berusaha keras untuk

meningkatkan kesejahteraan dan standar kehidupan bagi seluruh karyawan.

3.8.3 Kebijakan Mutu

Berkomitmen dalam menyediakan produk berkualitas tinggi, aman dan

efektif secara tepat waktu dan diikuti dengan perbaikan berkelanjutan untuk

memenuhi kebutuhan konsumen dan regulasi pemerintah.

3.8.4 Visi dan Misi

1. Visi

Kehidupan yang berharga.

2. Misi

Menyediakan produk yang berkualitas tinggi untuk meningkatkan

kesehatan manusia.

3.8.5 Struktur Organisasi

Pada umumnya setiap intansi Pendidikan atau instansi apapun mempunyai

susunan atau struktur organisasi. Dari struktur inilah kita dapat jalur kegiatan atau

wewenang apa saja yang dilaksanakan oleh masing-masing bagian serta kebijakan

yang sudah ditetapkan. Struktur organisasi menunjukan kerangka dan susunan

perwujudan pola tetap hubungan-hubungan diantara fungsi-fungsi, bagian-bagian

atau posisi-posisi, maupun orang yang menunjukan kedudukan, tugas wewenang

dan tanggung jawab yang berbeda-beda dalam suatu organisasi. Struktur ini
mengandung unsur-unsur spesialisasi kerja, standarisasi atau disentralisasi dalam

pembuatan keputasan dan ukuran suatu kerja.

President
Director

Director

Human Quality
General Factory Finance
Resources & Assurance
GA Manager Manager Manager
Section

Quality Control Production / Production Engineering

Manufacturing Planning / Material
Section Warehouse Section Section
Section

Gambar 3. 3 Struktur Organisasi

3.9 Variabel Penelitian

Variabel penelitian yang akan digunakan sebagai atribut data untuk proses

data mining ialah pengetahuan kerja, kemampuan untuk merencanakan dan

mengatur, penerimaan tanggung jawab, hubungan manusia, pencapaian tujuan,

penilaian, dan pengambilan keputusan, kehadiran, inovasi, penetapan

sasaran/tujuan. Perusahaan menggunakan standar penilaian kinerja karyawan yang

terdapat pada tabel 3.1. dan kelas keputusan variabel target penelitian yang berisi

2 nilai kelas, yaitu “DI ANGKAT” dan “TIDAK”.

Tabel 3. 1 Kriteria

1. Pengetahuan kerja
Keterang Kriteria Nilai
Pengetahuan sangat baik pada an semua fase kerja sendiri dan
Sangat Baik A
terkait.
Informasi tentang pekerjaan sendiri dan pengetahuan yang
Baik B
baik tentang pekerjaan terkait.
Pengetahuan yang memuaskan tentang pekerjaan saat ini,
dengan pengetahuan yang cukup tentang pekerjaan terkait Cukup C
untuk menghasilkan koordinasi yang baik.
Pengetahuan yang memadai untuk pekerjaan saat ini, tetapi
Kurang D
tidak diinformasikan pada pekerjaan terkait.
2. Kemampuan Untuk Merencanakan dan Mengatur
Keterangan Kriteria Nilai

Luar biasa. Kompeten dalam mengatur dan mengarahkan

Sangat Baik A
prosedur dan operasi yang rumit.

Rencana rutinitas bekerja dengan baik dan segera temui

Baik B
situasi darurat
Rencanakan pekerjaan rutin dengan memuaskan tetapi
Cukup C
terkadang tidak efektif dengan situasi yang tidak biasa.
Tampaknya memahami nilai perencanaan tetapi
Kurang D
membutuhkan bantuan
3. Penerimaan Tanggung Jawab
Keterangan Kriteria Nilai
Selalu menerima tanggung jawab penuh atas komitmen yang
Sangat Baik A
dia buat.
Selalu bersedia menerima tanggung jawab Baik B
Kadang-kadang menolak untuk menerima tanggung jawab
Cukup C
dengan alasan.
Jarang mau menerima tanggung jawab. Tidak berkomitmen. Kurang D
4. Hubungan Manusia
Keterangan Kriteria Nilai
Selalu bersedia untuk bekerja sama dan mengkoordinasi
Sangat Baik A
kegiatannya dengan orang lain.
Kooperatif dalam bekerja dan baik dengan orang lain Baik B
Bersedia bekerja sama ketika perlu muncul. Bekerja dengan
Cukup C
memuaskan orang lain.
Umumnya tidak mau bekerja sama dan membutuhkan
Kurang D
bantuan dalam hubungan manusia.
5. Pencapaian Tujuan
Keterangan Kriteria Nilai
Memenuhi semua tujuan yang ditetapkan. Sangat Baik A
Memenuhi sebagian besar tujuan yang ditetapkan. Baik B
Memenuhi tujuan hanya sebagian. Cukup C
Biasanya tidak memenuhi tujuan yang ditetapkan. Kurang D
6. Penilaian Dan Pengambilan Keputusan
Keterangan Kriteria Nilai
Sangat Baik A
Baik B
Adil C
Kurang Baik D
7. Kehadirian
Keterangan Kriteria Nilai
Catatan bersih Sangat Baik A
Terlambat Datang dalam 2 kali dan ambil cuti sesekali. Baik B
Datang Terlambat & Sering Tinggalkan pekerjaan Cukup C
8. Inovasi
Keterangan Kriteria Nilai
Memperbaiki metode secara terus menerus Sangat Baik A
Memperbaiki metode saat dibutuhkan Baik B
Selalu berpegang pada rutinitas normal Cukup C
9. Penetapan Sasaran / Tujuan
Keterangan Kriteria Nilai
Tetapkan tujuan yang menantang Sangat Baik A
Menetapkan tujuan yang dapat dicapai Baik B
Tetapkan tujuan / sasaran saat diarahkan Cukup C
Jarang menetapkan sasaran Kurang D

3.10 Metode Analisis Data

Metode analisis data menggunakan Naïve Bayes Classifier (NBC) yang

merupakan sebuah pengklasifikasi probabilitas sederhana yang mengaplikasikan

teorema bayes dengan asumsi ketidaktergantungan (independent) yang tinggi.

Keuntungan penggunaan NBC bahwa metode ini hanya membutuhkan jumlah data

pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang

diperlukan dalam proses pengklasifikasian. Karena yang diasumsikan sebagai

variabel independen, maka hanya varian dari suatu variabel dalam sebuah kelas

yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan dari matriks

kovarians.
3.11 Persamaan Metode Neive Bayes

Bentuk umum atau persamaan dari teorema Bayes (Bustami, 2014) adalah :

𝑃(𝑋|𝐻). 𝑃(𝐻)
𝑃(𝐻|𝑋) =
𝑃(𝑋)

Keterangan :

X : Data dengan class yang belum diketahui

H : Hipotesa data X merupakan suatu cass spesifik

P(H|X) : Probabilitas hipotesis H berdasar kondisi X (posteriori

probability)

P(H) : Probabilitas hipotesis H (prior probability)

P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H

P(X) : Probabilitas X

Untuk menjelaskan metode Naive Bayes, perlu diketahui bahwa proses

klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang

cocok bagi sample yang dianalisis tersebut. Karena itu, metode Naive Bayes di

atas disesuaikan sebagai berikut:

𝑃 ( 𝐶) 𝑃 ( 𝐹1…𝐹𝑛|𝐶)
(𝐶|𝐹1…𝐹𝑛) = 𝑃(𝐹1…𝐹𝑛)

Di mana Variabel C merepresentasikan kelas, sementara variabel “F1 ...

Fn” merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan

klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel

karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C

(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan

peluang kemunculan karakteristik-karakteristik sampel pada kelas C (disebut juga

likelihood), dibagi dengan peluang kemunculan karakteristik-karakteristik sampel

secara global (disebut juga evidence). rumus di atas dapat pula ditulis secara

sederhana sebagai berikut:

�𝑟��𝑟 𝑥
Posterior =
������ℎ���
�𝑣�����
�

Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari

posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior kelas

lainnya untuk menentukan ke kelas apa suatu sample akan diklasifikasikan.

Penjabaran lebih lanjut rumus naïve bayes tersebut dilakukan dengan menjabarkan

(𝐶|𝐹1,…,) menggunakan aturan perkalian sebagai berikut:

(𝐶|𝐹1,…,= 𝑃(𝐶)𝑃(𝐹1,…,𝐹𝑛|𝐶)

= (𝐶)(𝐹1|𝐶)𝑃(𝐹2,…,𝐹𝑛|𝐶,𝐹1)

= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1 )𝑃(𝐹3,…,𝐹𝑛|𝐶,𝐹1,𝐹2

= (𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1 )𝑃(𝐹3|𝐶,𝐹1,𝐹2)𝑃(𝐹4,…,𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3)

= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶,𝐹1)𝑃(𝐹3|𝐶,𝐹1,𝐹2)…𝑃(𝐹𝑛|𝐶,𝐹1,𝐹2,𝐹3,…,𝐹𝑛−1)
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin

banyak dan semakin kompleksnya faktor - faktor syarat yang mempengaruhi nilai

probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya,

perhitungan tersebut menjadi sulit untuk dilakukan. Di sinilah digunakan asumsi

independensi yang sangat tinggi (naif), bahwa masing-masing petunjuk

(F1,F2...Fn) saling bebas (independent) satu sama lain. Dengan asumsi tersebut,

maka berlaku suatu kesamaan sebagai berikut:

 (𝐹� ∩ 𝑃(𝐹�) 𝑃(𝐹�)
𝑃(𝐹�|𝐹 �) = = = 𝑃(𝐹�)
𝑃(𝐹�)
𝐹�)
𝑃(𝐹�)

untuk I ≠ j, sehingga 𝑃(𝐹� | 𝐶, 𝐹�) = 𝑃(𝐹�|𝐶)

Dari persamaan di atas dapat disimpulkan bahwa asumsi independensi naif

tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan

menjadi mungkin untuk dilakukan. Selanjutnya, penjabaran P(F1,…,Fn | C) dapat

disederhanakan menjadi seperti berikut

P(F1 … Fn | C) = P(F1 | C) P(F2 | C) … P(Fn | C)

�
P(F1 … Fn | C) = ∏�= 𝑃 ( 𝐹� | 𝐶)

Dengan kesamaan di atas, persamaan teorema bayes dapat dituliskan

sebagai berikut :

1
∏� 𝑃 ( 𝐹� | 𝐶)
P(F1 … Fn | C) =
𝑃(𝐹1,𝐹2,… ,𝐹�) �=1
𝑃(𝐶) �
P(F1 … Fn | C) = ∏�= 𝑃 ( 𝐹� | 𝐶)
𝑍 1

Persamaan di atas merupakan model dari teorema Naïve Bayes yang

selanjutnya akan digunakan dalam proses klasifikasi dokumen data. Adapun Z

adalah mempresentasikan evidence yang nilainya konstan untuk semua kelas pada

satu sample.
3.12 Alur Metode Naïve Bayes
Start

Baca Data training

Tidak Apakah data Ya

Numerik?
Mean Tiap Parameter
Jumlah dan Probabilitas

Standar Deviasi Tiap Parameter

Tabel Probabilitas

Tabel Mean dan Standar

Solusi

Stop

Gambar 3. 4 Alur Metode Naïve Bayes

1. Baca data training

2. Hitung jumlah dan probabilitas, namun apabila data numerik maka :

a. Cari nilai mean dan standar deviasi dari masing masing parameter yang

merupakan data numerik.

Adapun persamaan yang digunakan untuk menghitung nilai rata-rata hitung

(mean) dapat dilihat sebagai berikut :

∑𝑛1= 1 𝑥
µ=

𝑖
�

atau

𝑥 1 + 𝑥 2 + 𝑥 3 + .. .
µ=
+ 𝑥𝑛

�
 dimana:

µ: Rata-rata hitung (mean) 𝑥� : Nilai sampel ke-i

𝑛: Jumlah sample
Dan persamaan untuk menghitung nilai simpangan baku (standar

deviasi) dapat dilihat sebagai berikut:

∑𝑛1=1( 𝑥 𝑖 − µ)
σ=√

�−1

dimana:

σ: Standar deviasi 𝑥� : Nilai x ke-i

µ: Rata-rata hitung 𝑛: Jumlah sample

b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai

dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.

3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.

4. Solusi kemudian dihasilkan.

3.13 Perangkat Lunak Data mining

Dalam melakukan proses data mining ini, perangkat lunak yang akan

digunakan yaitu :

1. Rapidminer 7.6

sebagai perangkat lunak untuk melakukan analisa,proses data mining,

modelling, validasi, akurasi model dan prediksi (Nugroho, 2009).

 BAB IV
HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

4.1.1 Data Awal

Dalam melakukan pekerjaannya HRD memerlukan beberapa data

penunjang untuk menentukan apakah karyawan akan di angkat atau tidak, data

tersebut digunakan sebagai acuan untuk menentukan penilaian dari setiap

karyawan, data yang digunakan diantaranya:

1. Pengetahuan kerja.

2. Kemampuan untuk merencanakan dan mengatur.

3. Penerimaan tanggung jawab.

4. Hubungan manusia.

5. Pencapaian tujuan.

6. Penilaian dan pengambilan keputusan.

7. Kehadiran.

8. Inovasi.

9. Penetapan sasaran/tujuan.

Setelah data diatas didapatkan, akan tetapi pada saat melakukan penyeleksian

karyawan yang akan di angkat atau tidak pada kenyataan nya tidak sesuai dengan

prosedur terhadap data penunjang itu saja, diantaranya:

1. Atasan masing-masing karyawan ikut menentukan dalam menentukan

karyawan tersebut diangkat atau tidak.

37
 1

2. Tidak semua standar penilaian kinerja karyawan digunakan sesuai dengan

proses yang seharusnya.

4.1.2 Data Usulan

Data usulan ialah data yang diusulkan oleh penulis mengenai permasalahan

yang terjadi di PT. YSP Industries Indonesia yaitu:

1. HRD memberikan penilaian kinerja karyawan sesuai standar dan penilaian

dari atasan kedalam beberapa data yang disebut atribut untuk digunakan

dalam menentukan karyawan tetap dan tidak tetap.

2. Semua data dalam atribut harus digunakan dalam menentukan penilaian

karena dapat mempengaruhi ketepatan dalam menentukan karyawan tetap

dan tidak tetap.

4.2 Pembahasan

4.2.1 Menentukan Kriteria

Dalam menganalisa kelayakan karyawan di PT. YSP Industries Indonesia

untuk menjadi karyawan tetap, ada beberapa kriteria yang digunakan oleh pihak

perusahaan, ( Tabel 3.1 )

4.2.2 Perhitungan Algoritma Naive Bayes

Data yang digunakan adalah data training 380 record yang sudah di

tentukan hasil keputusannya dan 50 data testing untuk mengimplementasikan

algorima naive bayes.

4.2.3 Menghitung Probabilitas Kelas

Tahap pertama perhitungan untuk menentukan karyawan tetap dengan

metode naive bayes adalah dengan mencari probabilitas dari masing-masing kelas.
Dalam penentuan karyawan tetap akan ditentukan 2 kelas yaitu kelas "Di Angkat"

dan "Tidak". Cara perhitungannya adalah dengan mencari berapa jumlah data yang

ada pada kelas “di angkat” dan berapa jumlah pada kelas “Tidak” dari total

keseluruhan data training, lalu membaginya dengan total keseluruhan data. Hasil

dari perhitungan dapat dilihat pada tabel di bawah ini:

Tabel 4. 1 Probabilitas Kelas

- P (Ci)
- P( Di Angkat ) = 167/380 = 0,4395
Jumlah data "Di Angkat" pada kolom "Hasil" di bagi jumlah data
- P( Tidak ) = 213/380 = 0,5605
Jumlah data "Tidak" pada kolom "Hasil" di bagi jumlah data

4.2.4 Menghitung Probabilitas Masing-Masing Atribut

Cara mencari probabilitas suatu atribut adalah dengan membandingkan

atribut dari data testing dengan atribut dari data training. Berapa jumlah atribut

dengan kelas "Di Angkat" yang berada pada data training, kemudian bagi dengan

probabilitas kelas "Di Angkat". Begitu juga dengan mencari probabilitas untuk

kelas "Tidak".

1. Pengetahuan kerja

Tabel 4. 2 Atribut Pengetahuan kerja

Kemampuan Untuk Merencanakan

di angkat tidak P ( di angkat ) P ( tidak )
dan Mengatur

A 101 55 101/167 55/213

B 47 101 47/167 101/213
C 18 28 18/167 28/213
D 1 29 1/167 29/213
Total 167 213 100% 100%
 2. Kemampuan Untuk Merencanakan dan Mengatur

Tabel 4. 3 Atribut Kemampuan Untuk Merencanakan dan Mengatur

Kemampuan Untuk
di angkat tidak P ( di angkat ) P ( tidak )
Merencanakan dan Mengatur

A 101 55 101/167 55/213

B 47 101 47/167 101/213
C 18 28 18/167 28/213
D 1 29 1/167 29/213
Total 167 213 100% 100%

3. Penerimaan Tanggung Jawab

Tabel 4. 4 Artibut Penerimaan Tanggung Jawab

Penerimaan Tanggung Jawab di angkat tidak P ( di angkat ) P ( tidak )

A 68 63 68/167 63/213
B 90 23 90/167 23/213
C 8 81 8/167 81/213
D 1 46 1/167 46/213
Total 167 213 100% 100%

4. Kerjasama / Hubungan Manusia

Tabel 4. 5 Atribut Kerjasama / Hubungan Manusia

Kerjasama / Hubungan Manusia di angkat tidak P ( di angkat ) P ( tidak )

A 85 100 85/167 100/213

B 66 30 66/167 30/213
C 10 76 10/167 76/213
D 6 7 6/167 7/213
Total 167 213 100% 100%
 5. Pencapaian tujuan

Tabel 4. 6 Atribut Pencapaian tujuan

Pencapaian tujuan di angkat tidak P ( di angkat ) P ( tidak )

A 100 111 100/167 111/213

B 48 14 48/167 14/213
C 17 77 17/167 77/213
D 2 11 2/167 11/213
Total 167 213 100% 100%

6. Penilaian dan pengambilan keputusan

Tabel 4. 7 Atribut Penilaian dan pengambilan keputusan

Penilaian dan pengambilan keputusan di angkat tidak P ( di angkat ) P ( tidak )

A 127 94 127/167 94/213

B 35 2 35/167 2/213
C 3 52 3/167 52/213
D 2 65 2/167 65/213
Total 167 213 100% 100%

7. Kehadiran

Tabel 4. 8 Atribut Kehadiran

Kehadiran di angkat tidak P ( di angkat ) P ( tidak )

A 122 124 122/167 124/213

B 29 37 29/167 37/213
C 16 52 16/167 52/213
Total 196 255 100% 100%
 8. Inovasi

Tabel 4. 9 Atribut Inovasi

Inovasi di angkat tidak P ( di angkat ) P ( tidak )

A 128 156 128/167 156/213

B 22 21 22/167 21/213
C 17 36 17/167 36/213
Total 196 255 100% 100%

9. Penetapan sasaran / tujuan

Tabel 4. 10 Atribut Penetapan sasaran / tujuan

Penetapan sasaran / tujuan di angkat tidak P ( di angkat ) P ( tidak )

A 143 149 143/167 149/213

B 19 19 19/167 19/213
C 3 38 3/167 38/213
D 2 7 2/167 7/213
Total 167 213 100% 100%

4.2.5 Menghitung Probabilitas Akhir Untuk Setiap Kelas

Untuk menghitung probabilitas akhir pada setiap kelas, perlu

menggunakan data training yang terdapat pada tabel 3.1. dan mengubahnya

menjadi nilai yang sudah ditentukan pada proses 4.2.4 sesuai atribut masing-

masing. Lalu dari masing- masing atribut dan nilai probabilitas kelas dikalikan.

Dari kedua hasil yang sudah ditentukan pada tiap kelas. bandingkan nilai yang

paling tinggi. Jika kelas "Di angkat" bernilai paling tinggi maka hasilnya “Di

Angkat” begitu pula sebaliknya.

4.2.6 Kasus Perhitungan Naive Bayes

Kemamp Kerjas penilaia

Penerim peneta
uan ama / n dan
Pengeta aan pencap pan
Untuk Hubun pengam Kehadi inov Keputu
huan Merencan Tanggu aian rian asi sasara san
kerja gan tujuan bilan
akan dan ng n/
Manusi keputusa
Mengatur Jawab tujuan
a n

A A B A B B B B A ?

Tahap 1 menghitung jumlah kelas/label Keputusan :

- P (Ci)
- P( Di Angkat ) = 167/380 = 0,4395
Jumlah data "Di Angkat" pada kolom "Hasil" di bagi jumlah data
- P( Tidak ) = 213/380 = 0,5605
Jumlah data "Tidak" pada kolom "Hasil" di bagi jumlah data

Tahap ke 2 menghitung jumlah kasus yang sama dengan kelas yang sama :

P(X | Ci)
P ( | Keputusan = Di Angkat ) = 167
P (Pengetahuan kerja = A | Keputusan =di angkat)= 78/167 = 0,4671
P (Kemampuan untuk
= A | Keputusan =di angkat)= 101/167 = 0,6048
merencanakan dan mengatur
P (Penerimaan Tanggung jawab = B | Keputusan =di angkat)= 90/167 = 0,5389
P (Kerjasama/Hubungan
= A | Keputusan =di angkat)= 85/167 = 0,5090
Manusia
P (Pencapaian tujuan = B | Keputusan =di angkat)= 48/167 = 0,2874
P (Penilaian dan pengambilan
= B | Keputusan =di angkat)= 35/167 = 0,2096
keputusan
P (Kehadiran = B | Keputusan =di angkat)= 29/167 = 0,1737
P (Inovasi = B | Keputusan =di angkat)= 22/167 = 0,1317
P (Penetapan sasaran / tujuan = A | Keputusan =di angkat)= 143/167 = 0,8563
Mengkalikan semua hasil atribut " Di Angkat " = 0,0000914
 P(X | Ci)
P ( | Keputusan = Tidak ) = 213
P (Pengetahuan kerja = A | Keputusan =Tidak )= 93/213 = 0,4366
P (Kemampuan untuk
= A | Keputusan =Tidak )= 55/213 = 0,2582
merencanakan dan mengatur
P (Penerimaan Tanggung
= B | Keputusan =Tidak )= 23/213 = 0,1080
jawab
P (Kerjasama/Hubungan
= A | Keputusan =Tidak )= 100/213 = 0,4695
Manusia
P (Pencapaian tujuan = B | Keputusan =Tidak )= 14/213 = 0,0657
P (Penilaian dan pengambilan
= B | Keputusan =Tidak )= 2/213 = 0,0094
keputusan
P (Kehadiran = B | Keputusan =Tidak )= 37/213 = 0,1737
P (Inovasi = B | Keputusan =Tidak )= 21/213 = 0,0986
P (Penetapan sasaran / tujuan = A | Keputusan =Tidak )= 149/213 = 0,6995
Mengkalikan semua hasil atribut " Tidak " = 0,00000004

Tahap ke 3 Membandingkan nilai kelas “Di Angkat” dan “Tidak”

P(X | Ci) * P(Ci)

P(X | Minat) * P ( Di Angkat ) = 0,00009143 * 0,4395
= 0,00004018
P(X | Tidak ) * P ( Tidak ) = 0,00000004 * 0,5605
= 0,00000002

Hasil (P|Di Angkat) = 0,00004018 lebih besar dari (P|Tidak) = 0,00000002 maka

keputusan nya adalah (Di Angkat).

4.2.7 Analisa Algoritma Naive Bayes dengan Rapid Miner

Rapid Miner Studion 7.6 adalah salah satu tool untuk melakukan prediksi

dan Analisa data mining. Berikut adalah uji coba yang dilakukan pada 50 data

testing yang sudah ditentukan. Data testing tersebut akan dicari nilai prediksinya

apakah sesuai dengan perhitungan naive bayes.

 Gambar 4. 1 Proses Rapid Miner

Setalah itu dilakukan pengujian menggunakan tools Rapid Miner dengan

proses pada sub-bab 4.2.7.

1. Menambahkan dua operator read excel untuk memasukan data training dan

data testing.

2. Menambahkan operator select attributes untuk menentukan kelas yang

akan di prediksi.

3. Menambahkan operator naive bayes yang digunakan sebagai metode dalam

penelitian.

4. Menambahkan apply model untuk menguji data testing yang ingin

ditentukan hasil prediksinya.

Setelah dijalankan didapatkan hasil yang sama dengan kasus perhitungan manual.
 Gambar 4. 2 Hasil Prediksi Rapid Miner

Dari keterangan gambar 4.2 hasil testing data yang dilakukan dengan

menggunakan Rapid Miner mengahasilkan prediksi yang sama dengan kasus

perhitungan manual yaitu “Di Angkat”.

4.2.8 Akurasi Prediksi

Proses klasifikasi dengan Rapid Miner menggunakan metode naive bayes

yang digunakan untuk mengklasifikasi data karyawan :

 Gambar 4. 3 Proses Training dan Testing

Menentukan berapa akurasi yang didapatkan menggukan akurasi naive

bayes pada sub-bab 4.2.8 sebagai berikut :

1. Menambahkan dua operator read excel untuk memasukan data training dan

data testing.

2. Menambahkan operator naive bayes yang digunakan sebagai metode dalam

penelitian.

3. Menambahkan operator apply model untuk menguji data testing yang

ingin ditentukan hasil prediksinya.

4. Menambahkan operator performance untuk mengetahui tingkat akurasi

dengan metode naive bayes.

Setelah itu didapatkan akurasi hasil prediksi sebesar 94,00% dari hasil data testing.
Pengujian berdasarkan pengukuran Confusion Matrix menghasilkan nilai

accurasy, precision dan recall yang tinggi dengan nilai accurasy sebesar 94.00%,

precision sebesar 90.48% dan recall sebesar 95.00% . Dimana sebelumnya data

belum diketahui tingkat akurasinya, dan sekarang sudah dapat dilihat seberapa

tinggi nilai akurasi yang diperoleh. Dan pengujian berdasarkan pengukuran kurva

ROC/ AUC sebesar 0.937 dengan tingkat akurasi Excellent Classification. Dengan

menggunakan metode algoritma naive bayes ini proses pengambilan kepututusan

menjadi lebih mudah dan tepat sasaran karena memiliki tingkat akurasi yang

hampir sempurna.

1. Akurasi

Dengan mengetahui jumlah data yang di klasifikasikan secara benar maka

dapat diketahui akurasi hasil prdiksinya 94.00% dari hasil data testing.

Gambar 4. 4 Akurasi

Hasil analisa antara data yang di testing dengan data training di Rapid

Miner dapat dilihat pada Lampiran 2. Untuk menghitung akurasinya sebagai

berikut:

Jumlah data yang diuji : 50

Jumlah data yang di prediksi benar “Di Angkat” : 19

Jumlah data yang di prediksi benar “Tidak” : 28

Jumlah data yang di prediksi salah “Di Angkat” :1

Jumlah data yang di prediksi salah “Tidak” :2

Akurasi = Jumlah data yang diprediksi benar/jumlah data yang diuji*100%

= (19+28) / (19+28+1+2)*100%

= 94%

Eror = Jumlah data yang diprediksi salah/jumlah data yang diuji*100%

= (1+2) / (19+28+1+2)*100%

= 6%

Dari perhitungan tersebut dapat disimpulkan bahwa klasifikasi dengan

menggunakan metode Naive bayes untuk menentukan karyawan tetap

menghasilkan tingkat akurasi sebesar 94% dan tingkat error 6%.

2. Precision

Gambar 4. 5 Precision

Untuk menghitung Precision nya sebagai berikut :

Jumlah data yang diuji : 50

Jumlah data yang di prediksi benar “Di Angkat” : 19

Jumlah data yang di prediksi benar “Tidak” : 28

Jumlah data yang di prediksi salah “Di Angkat” :1

Jumlah data yang diprediksi salah “Tidak” :2

Precision = Jumlah data yang di prediksi benar “ Di Angkat” /jumlah data

yang di prediksi benar”Di Angkat”+ jumlah data yang di prediksi

salah” Tidak “ *100%

= (19) / (19+2)*100%

= 90.48%

3. Recall

Gambar 4. 6 Recall

Untuk menghitung Precision nya sebagai berikut :

Jumlah data yang diuji : 50

Jumlah data yang di prediksi benar “Di Angkat” : 19

Jumlah data yang di prediksi benar “Tidak” : 28

Jumlah data yang di prediksi salah “Di Angkat” :1

Jumlah data yang diprediksi salah “Tidak” :2

Precision = Jumlah data yang di prediksi benar “ Di Angkat” /jumlah data

yang di prediksi benar”Di Angkat”+ jumlah data yang di prediksi

salah” Di Angkat “ *100%

= (19) / (19+1)*100%
 = 95.00%

Gambar 4. 7 Kurva ROC

Kurva ROC digunakan untuk mengekpresikan data. Garis horizontal

mewakili nilai false positive dan garis vertikal mewakili nilai true positive. Dari

4.5 dapat diketahui bahwa nilai Area Under Curve (AUC) model algoritma naive

bayes

0.937, hal ini menunjukan bahwa model algoritma naive bayes mencapai

klasifikasi hampir sempurna.

 BAB V
KESIMPULAN

5.1 Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan mengenai penerapan

metode naive bayes untuk prediksi menentukan karyawan tetap pada PT. YSP

Industries Indonesia dapat disimpulkan sebagai berikut :

1. Berdasarkan hasil Analisa pada penelitian yang dilkakukan, didapatkan

hasil prediksi menentukan karyawan tetap dengan cepat dan akurat, dari

pengujian yang dilakukan dengan membandingkan data training dengan

data testing menggunakan aplikasi pendukung Rapid Miner didapat tingkat

akurasi sebesar 94.00%.

2. Proses data mining dengan metode naive bayes memanfaatkan data

training untuk menghasilkan probabilitas setiap kriteria untuk class yang

berbeda, sehingga nilai-nilai probabilitas dari kriteria tersebut dapat

dioptimalkan untuk menentukan karyawan tetap berdasarkan proses

klasifikasi yang dilakukan oleh metode naive bayes itu sendiri, naïve bayes

yang digunakan dapat memberikan proses penyeleksian yang cepat untuk

menentukan karyawan tetap pada PT. YSP Industries Indonesia.

5.2 Saran

Penelitian yang dilakukan tentunya tak lepas dari sebuah kekurangan. Oleh

karena itu, ada beberapa saran yang penulis berikan sebagai acuan dalam

penelitian selanjutnya.

52
 53

1. Penentuan jumlah data training dapat mempengaruhi hasil pengujian,

karena pola data training tersebut akan dijadikan sebagai rule untuk

menentukan kelas pada data testing. Sehingga besar atau kecilnya

persentase tingkat akurasi dipengaruhi juga oleh penentuan data training,

maka untuk penelitian selanjutnya diharapkan dapat menambahkan jumlah

data training lebih banyak lagi.

2. Tidak berlaku jika probabilitas kondisionalnya adalah nol pada metode

Naïve Bayes, apabila nol maka probabilitas prediksi akan bernilai nol juga.

3. Jenis pengelompokan data dalam penelitian ini bersifat kategorik, untuk

hasil yang lebih optimal mungkin untuk peneliti selanjutnya dapat

menambahkan dengan data numerik.

 DAFTAR PUSTAKA

Bustami. (2014). Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data

Nasabah Asuransi, 8(1), 884–898.

Djunaedi, A. (2000). Penulisan tinjauan pustaka, 1–11.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to
knowledge discovery in databases. AI Magazine, 37–54.
https://doi.org/10.1145/240455.240463

Handayani, F., & Pribadi, S. (2015). Implementasi Algoritma Naive Bayes

Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan
Masyarakat melalui Layanan Call Center 110, 7(1).

Mallu, S. (2015). Sistem pendukung keputusan penentuan karyawan kontrak

menjadi karyawan tetap menggunakan metode topsis, I(2), 36–42.

Nugroho, Y. S. (2009). Data mining Menggunakan Algoritma Naïve Bayes Untuk

Klasifikasi Kelulusan Mahasiswa Universitas, 1–11.

Ridwan, M., Suyono, H., & Sarosa, M. (2013). Penerapan Data mining Untuk
Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier, 7(1), 59–64.

Rohmawati, F., Rohman, G., & Mujilahwati, S. (2017). Sistem Prediksi Jumlah
Pengunjung Wisata Wego Kec.Sugio Kab.Lamongan Menggunakan Metode
Fuzzy Time Series, 3(2).

Witten, I. H., & Frank, E. (2011). Data mining: Practical Machine Learning Tools
and Techniques. Elsevier, San Francisco, 3 edition, 629.
https://doi.org/0120884070, 9780120884070

54
 LAMPIRAN

Lampiran 1

Sampel Data training

No Pengetah Kemampuan Penerima Kerjas pencap penilaian Kehadi inovasi penetapa Keputusan
uan kerja Untuk an ama aian dan rian n sasaran
Merencanaka Tanggun tujuan pengambila / tujuan
n dan g Jawab n keputusan
Mengatur
1 A A D A A A B A C tidak
2 B C B B C A A A A di angkat
3 A A A A A B B A A di angkat
4 B B C C C C C A A tidak
5 A A B B B B B B A di angkat
6 B A A A A A B A A di angkat
7 A D A A A A B A A tidak
8 B C D D D D B A A tidak
9 A B A B A A B A A di angkat
10 B A C A A A B B A di angkat
11 B B D A A A B A A tidak
12 A A B A C A B A A di angkat
13 A B C C C A B A A tidak
14 A C D A A A B A A tidak
15 A D A A A A C A A tidak
16 A B D A B A B A A tidak
17 A D A A A A B B A tidak
18 A B B B A A A B A di angkat
19 A B D D A A A C A tidak
20 A B B D A A A A A di angkat
21 A A B B B B A A A di angkat
22 A B C C C C A A A tidak
23 A A B B B B B A A di angkat
24 A B C C C C B A A tidak
25 B A A A A A A A A di angkat
26 B D A A A C A A A tidak
27 B B D A B A C A A tidak
28 B B A A A A A A B di angkat
29 B B A A A A A A A di angkat
30 B D A A A A C A C tidak
31 B D A A A A C A A tidak
32 B A B B A A C A A di angkat
33 B A B A A A C A B di angkat
34 B B A A A A A A D di angkat
35 B B B C A A A A A di angkat
36 B B B A A A A A A di angkat
37 B D A A C A A A A tidak
38 B D A A C A A A B tidak
39 B A B B A A A B A di angkat
40 C B C C A D C A A tidak
41 B B C C A A C A B tidak

55
 1

42 B B B B A D A A C tidak
43 B B C C C A C A A tidak
44 A B A A B A A A A di angkat
45 B A B B B B B A A di angkat
46 B B C C C C C A C tidak
47 B B B B B B A A A di angkat
48 B B B B A A A C A di angkat
49 B B C C C A C C A tidak
50 B A B B B A A C A di angkat
51 B B C C A A C A C tidak
52 A A B B A A B A C tidak
53 A A B B A B C A A di angkat
54 B D A A A D C A A tidak
55 B B B B A A C A A di angkat
56 B A B A A C C A A tidak
57 B D A A A A B C A tidak
58 B D A B A A B A A tidak
59 D B D B A A C A A tidak
60 B B A A A D B A A tidak
61 B B A A A A B A C di angkat
62 B A A A A A B C A di angkat
63 B A A A A A C A A di angkat
64 A B B B A D B C C tidak
65 A B C C C C C A A tidak
66 D B D B A D C B A tidak
67 A C D B A A C A A tidak
68 A B C A A A C A A tidak
69 A B C C C A C B A tidak
70 A A B B B A B A A di angkat
71 A C A A A A B A B di angkat
72 A C D A A A C A A tidak
73 A B C C A A C A A tidak
74 A A B B A A C A C tidak
75 A A B B A D C A A tidak
76 A A A C A A B A A di angkat
77 D C D A A A C A A tidak
78 C B C A A C A C A tidak
79 C A B A A C A C B tidak
80 C A B A B C A C A tidak
81 A D D A A A A A A tidak
82 A B A C A A B A A di angkat
83 A B C C C C B A C tidak
84 A B A A A D B A B di angkat
85 A C A A A B B A A di angkat
86 A A A A A C B A A di angkat
87 A D A A C A B A A tidak
88 A A B A A A B A A di angkat
89 A A D B A A B A A tidak
90 A A D A A A B A A tidak
91 A A B B A A B A A di angkat
92 A B C C A A B A A tidak
93 A B C C A A B A C tidak
94 A B C C C A A A A tidak
 95 C C A A C D A C C tidak
96 A C A A A D A C A tidak
97 B A A B A A A A A di angkat
98 B B A A A B A A A di angkat
99 A B C C C A A C A tidak
100 B A A A A A A C A di angkat
101 B A A A B A A A A di angkat
102 B A B A A A A A A di angkat
103 B A A A A A A B A di angkat
104 B A B B A A A A A di angkat
105 A A B B B A A A B di angkat
106 B A B B B A A A A di angkat
107 B B C C C B A A A tidak
108 B B C C C A A A A tidak
109 B A A A D A A A A di angkat
110 B A B B B B A A B di angkat
111 B B C C C C A A A tidak
112 B A D A C D A C A tidak
113 B B C C C C C C A tidak
114 B A D A C D A A C tidak
115 B A D A C D A A A tidak
116 B A A C C A A A A di angkat
117 B A B B B B A A A di angkat
118 B B C C C C B A A tidak
119 B A A C C D A A C tidak
120 B C D C C D A A A tidak
121 A A A A B A A A A di angkat
122 A D A A C A A A A tidak
123 A D A A A C A A A tidak
124 A A A A A A C A A di angkat
125 A B B A A A A A A di angkat
126 A C A A A D A A A tidak
127 A A B A A A A A A di angkat
128 A A B A A D A A C tidak
129 A A B B B B B C A di angkat
130 A A B A A A C A A di angkat
131 A A B A A A A B A di angkat
132 A B B B A A A A A di angkat
133 A C B A A B A A A di angkat
134 A C B A A A A A A di angkat
135 A C B A A A A C A di angkat
136 A C B A C A A A B di angkat
137 A C D A A A A A A tidak
138 C B A A B C A C A tidak
139 A B A A A B A A A di angkat
140 C B A A A C A C A tidak
141 A B A A A A A A A di angkat
142 A D A C A A A A A tidak
143 A B A A A D A A A di angkat
144 A A B B A A A A A di angkat
145 A B C C A D A A A tidak
146 A B A C A A A A A di angkat
147 A B C C C A A A C tidak
148 A B A C B A A B A di angkat
149 C A B B B B A B A di angkat
150 A B A C B D A A A tidak
151 A B A C B D A A B tidak
152 A A B B B B B A B di angkat
153 A A A C A A A A A di angkat
154 A B A A B A A C A di angkat
155 A C A A B D A A A tidak
156 A B C C C C C C B tidak
157 B A A A A A A A B di angkat
158 B D A A A A A A C tidak
159 B C A A C A A A A di angkat
160 B A A A A B A A A di angkat
161 B C D A A A A A A tidak
162 B C D B B A B A A tidak
163 B C D B B D A A C tidak
164 B B C C C C C C C tidak
165 A C A A A A A A A di angkat
166 A B B A B A A A A di angkat
167 B C D B B A A A A tidak
168 A D A A A D A A A tidak
169 A A B A B A A A A di angkat
170 A A B B A A A C A di angkat
171 A B B A A A A B A di angkat
172 A C D B A A A A A tidak
173 A A B B B A A C A di angkat
174 A C D B B C A A A tidak
175 A A B B B B A C A di angkat
176 A A B B B D A A C tidak
177 A B C C C C C A C tidak
178 A A B B B B B A C di angkat
179 B D D A A A A B A tidak
180 B A B A A A A C A di angkat
181 B A C A A C A A A di angkat
182 B A C B B A A A A di angkat
183 B B C C C A A A B tidak
184 A A A A A A A C A di angkat
185 A B D A A C A A A tidak
186 C A A A A C A C A tidak
187 A D A C B A A A A tidak
188 A D A A D A A A A tidak
189 C A D A A A A C A tidak
190 A B A B A A A A A di angkat
191 C A B A A C A C A tidak
192 A B C C A A A C A tidak
193 A A C B C D A A C tidak
194 B B A A A A A C A di angkat
195 B A B B A A A C A di angkat
196 B A A B C A A A A di angkat
197 B B C C C D A A A tidak
198 B A B B B B A C A di angkat
199 C B C A A A A C A tidak
200 A C B A D A A A C tidak
201 A A D A A A C A A tidak
202 A A B B B A A A A di angkat
203 A A B D B A A A A di angkat
204 A A A B C D A A A tidak
205 B B A A A A C A A di angkat
206 B D A C A A A A A tidak
207 B A A B A D A A C tidak
208 B A A B D C A A A tidak
209 B A B B B B B A B di angkat
210 B A A A D D A B C tidak
211 A A A A C A A A C di angkat
212 A A B B C A A A A di angkat
213 A A D A A D A A A tidak
214 A A D A A B A A B di angkat
215 A B C C C C C B A tidak
216 B A A A D C A A A tidak
217 B D A A A A B A A tidak
218 B B C C A C A A A tidak
219 B B C C C A A A C tidak
220 B A A A A D A A C tidak
221 A A C A A A C A C tidak
222 A A A A A C A C C tidak
223 A B A A C D A A C tidak
224 A A B B A A C A A di angkat
225 A A B B B B C A A di angkat
226 B A B D A A A A A di angkat
227 B A D A A A B A A tidak
228 B A B B B B B B A di angkat
229 A A A B A A A A A di angkat
230 A B A A C D A A A tidak
231 A A A A A C A C A di angkat
232 C B A A A D A C A tidak
233 C A A A A D A B A tidak
234 C A A A A D A A A tidak
235 A B C C C C C C C tidak
236 B A B A A A B A A di angkat
237 B B A A C A A A A di angkat
238 B A D A A A A A C tidak
239 B B C C C C A B A tidak
240 B B C C C C C C B tidak
241 B A B A A A C A A di angkat
242 A B C C C C A B A tidak
243 A A B B B B A A D di angkat
244 A A D A A D C A A tidak
245 A A D A A D B A A tidak
246 A A A A C D A B A tidak
247 C B C A C A A A A tidak
248 A B C C C C C C A tidak
249 A B C C C A C A A tidak
250 A A A A C D A C A tidak
251 C A D A C A A A A tidak
252 C A C A C A A A A tidak
253 A A A A C D A A A tidak
254 C A D A C A A B A tidak
255 C A D A C A A A B tidak
256 C B A A A D A A A tidak
257 A B A A C C A C A tidak
258 A B C A C C A C A tidak
259 A C C A D A A A A tidak
260 A B A A A A C A A di angkat
261 A B A A A A A B A di angkat
262 A C A B A A A A A di angkat
263 A C A A B A A A A di angkat
264 A B A A A A A A B di angkat
265 A C B A A A A B A di angkat
266 A D A A A A A C A tidak
267 A D A A A A A A C tidak
268 A A D A A C A A A tidak
269 A B C A B A C B A tidak
270 A B A A D A A A A di angkat
271 D B B A A A A B A di angkat
272 A B A A C A A A A di angkat
273 A A A A A B A A A di angkat
274 A D B B A C A A A tidak
275 A A B B A A A B A di angkat
276 A A B B A A A A B di angkat
277 A B C C A C A A A tidak
278 A B A C A A A B A di angkat
279 A B A C A A A A B di angkat
280 A B C C A A A A C tidak
281 A C A A C A A A A di angkat
282 D B A A A C A A A tidak
283 A A B B C D A A A tidak
284 A A B B B A C A A di angkat
285 A A B B B A A B A di angkat
286 A B C C C B A A A tidak
287 A B C C C D A A A tidak
288 A B C C C A A A B tidak
289 A B D A D A B A A tidak
290 D B B A A A A A A di angkat
291 A A B B B B A A B di angkat
292 A B C C C C A C A tidak
293 A B C C C C A A B tidak
294 A B B B A D B A A tidak
295 A B C C C C C A B tidak
296 A B B B A D B A B tidak
297 A B B B A D B B A tidak
298 A B B B A D B B B tidak
299 A B B B A D B B C tidak
300 B A A A C A A A A di angkat
301 B A A A A A C A B di angkat
302 B B A B A A A A A di angkat
303 B B A D A B A A A di angkat
304 B B A A A A A B A di angkat
305 B B A A B A A A A di angkat
306 B B A A A A B A A di angkat
307 B D B A A A A A A di angkat
308 B D A A A D A A A tidak
309 B A B A B A A A A di angkat
310 B A B A A B A A A di angkat
311 B A B A A A A B A di angkat
312 C A B A A A B A C tidak
313 B B C D A C A A A tidak
314 D B A A A B A A A di angkat
315 B C B B A A A A A di angkat
316 B C B A B A A A A di angkat
317 B C B A C A A A A di angkat
318 B C B A A A A A A di angkat
319 B C B A A B A A A di angkat
320 B C B A A D A A A tidak
321 B C D A A A B A A tidak
322 B C D A A A C A A tidak
323 B A A D A A A A A di angkat
324 B D A A A A A C A tidak
325 B D A A A A A A D tidak
326 B A B B C A A A A di angkat
327 B A B B A B A A A di angkat
328 B A B B A A B A A di angkat
329 B A B B A A A A B di angkat
330 C A B B A A B A D tidak
331 B B A B B A A A A di angkat
332 B B C C A D A A A tidak
333 B B C C A A B A A tidak
334 B B C C A A C A A tidak
335 B B A C A A A A A di angkat
336 B B C C A A A C A tidak
337 B B C C A A A A C tidak
338 B A B B D C A A A tidak
339 B A D B A A C A A tidak
340 B A C B A A A B A di angkat
341 B A C B A A A A A di angkat
342 B A C D A A A A B tidak
343 B A C D A A A A C tidak
344 B A C D A A A A D tidak
345 B A B D B A A A A di angkat
346 B A B B B B C A A di angkat
347 B A B B B A C A A di angkat
348 B A B B B A A B A di angkat
349 B A B B B A A A B di angkat
350 B A B B B A B A A di angkat
351 B B C C C A B A A tidak
352 B B C C C A A B A tidak
353 B B C C C A A A D tidak
354 B A C C C A A A A tidak
355 B A C C C D A A A tidak
356 B A C C C A C A A tidak
357 B A C A C A A A A di angkat
358 B A C A C A A B A di angkat
359 B A C A C A A A B di angkat
360 B A B B B B A B A di angkat
361 B B C C C C A C A tidak
362 B B C C C C A A B tidak
363 B B C C C C A A D tidak
364 B A C A C D A A A tidak
365 B C D A C D B A A tidak
366 B C D A A D A A A tidak
367 B C D A A D A B A tidak
368 B C A A D D A B A tidak
369 B C A A A D A A B tidak
370 B A B B B B B C A di angkat
371 B B C C C C C B A tidak
372 B B C C C C C A B tidak
373 B B C C C C C A D tidak
374 B B A A A D C A A tidak
375 B B A A A D C B A tidak
376 B B A C A D C C A tidak
377 B B A C A D C A B tidak
378 B B A C A D C A C tidak
379 B B C C C C C C D tidak
380 B C A D D D C B B tidak
 Lampiran 2

Hasil data testing dengan Rapid Miner

Kemampu Kerjasa
Penerim penilaian dan
Prediksi Prediksi an Untuk ma / pencapai penetapan
Pengetahu aan pengambilan Kehadiri inovasi
No Rapid data sasaran /
an kerja Merencana Tanggun Hubunga an tujuan keputusan an
miner testing kan dan n tujuan
g Jawab
Mengatur Manusia

1 Tidak Tidak A B C D C B B C A
2 Tidak Tidak C A C D C B B C C
Di
3 Tidak C B A D C B B C D
Angkat
4 Tidak Tidak C A B C D A B B D
Di Di
5 A B B B A B A B A
Angkat Angkat
6 Tidak Tidak B A A A A D A B C
Di Di
7 B B A A A B A C C
Angkat Angkat
Di Di
8 B B A B A B B B B
Angkat Angkat
9 Tidak Tidak A C D C B B B C A
Di Di
10 B A B A A A A A D
Angkat Angkat
Di Di
11 A B A B B A B B C
Angkat Angkat
Di Di
12 B B A B B B A A C
Angkat Angkat
Di Di
13 B B B B B B A B B
Angkat Angkat
14 Tidak Tidak B C D A C C B A D
Di Di
15 B B A B B C B B A
Angkat Angkat
16 Tidak Tidak A B B B B C B B C
17 Tidak Tidak A B A B B C A A D
Di Di
18 B B B B B B B A B
Angkat Angkat
Di Di
19 B B A B A B A B B
Angkat Angkat
20 Tidak Tidak C A D C B B B B B
21 Tidak Tidak C B A A B D B B D
Di Di
22 B B B D A B A B A
Angkat Angkat
Di Di
23 A B A B B B B B B
Angkat Angkat
24 Tidak Tidak A A B C D A B A C
Di Di
25 B B A A A B A B B
Angkat Angkat

63
 64

Di Di
26 A B B B D A A B A
Angkat Angkat
27 Tidak Tidak B B B A D D A A D
28 Tidak Tidak A A C D A D B C D
29 Tidak Tidak C D A D C C B C C
30 Tidak Tidak C C B D A D A C B
31 Tidak Tidak A A A A D D B A D
32 Tidak Tidak B B B D A C A B A
33 Tidak Tidak A B C D C B B C D
Di Di
34 C B B B C B A A A
Angkat Angkat
35 Tidak Tidak C A C D C B B C A
Di
36 Tidak A B A B C B B A A
Angkat
37 Tidak Tidak C A B C D D B A C
38 Tidak Tidak B A A C C D B A B
39 Tidak Tidak C B A A A A B C B
Di Di
40 B B A B C A B A B
Angkat Angkat
41 Tidak Tidak A C D C B B B C D
42 Tidak Tidak C B C A A B B D A
43 Tidak Tidak C A C D A D A A D
44 Tidak Tidak D B B B C D C B B
45 Tidak Tidak B B D A A D A B C
46 Tidak Tidak A D B B D C A D B
Di Di
47 A A A D A B A B D
Angkat Angkat
Di
48 Tidak B A B B B B A A D
Angkat
Di Di
49 A A A B A B A B A
Angkat Angkat
Di Di
50 A A B A B B B B A
Angkat Angkat